| تاریخ ارسال: 1400/6/27 |
استاد راهنما: دکتر آزاده منصوری
چکیده:
امروزه با توجه به کاربردهای بسیار زیاد فایل های تصویری و ویدئویی در حوزه های مختلف پژوهشی و علمی، وجود فایل های با کیفیت بصری و تفکیک پذیری بالا از جایگاه ویژهای در انتقال اطلاعات برخوردار می باشند. هدف از فرآیند افزایش تفکیک پذیری ویدئو، بازسازی ویدئو با تفکیک پذیری و کیفیت ادراکی بالا از نسخه ی با کیفیت و تفکیک پذیری پایین آن است. از جمله چالش هایی که در این حوزه وجود دارد زمان انجام این فرآیند، پیچیدگی زمانی این روش ها و کیفیت ادراکی خروجی می باشد. از لازمه های دستیابی به ویدئو با کیفیتِ مطلوب؛ بررسی و تحلیل اطلاعات حرکتی بین فریم های ویدئو اولیه است. ۱ علاوه بر اهمیت استفاده از این اطلاعات حرکتی، تابع خطا استفاده شده در آموزش شبکه ی عصبی، اهمیت و نقش تأثیرگذاری در کیفیت ویدئو بازسازی شده ی خروجی را دارد. از این جهت، در این پایان نامه، به منظور دستیابی به ویدئو با کیفیت ادراکی مطلوب و تفکیک پذیری بالا، از یک روش مبتنی بر یادگیری ژرف استفاده شده است که از اطلاعات حرکتی میان فریم های ویدئو در فرآیند آموزش شبکه بهره برده است. برای نشان دادن اهمیت بکارگیری این حرکات، نتایج آن را با شبکه ی دیگری برای افزایش تفکیک پذیری تصویر مقایسه شده است. همچنین تابع خطای جدید مبتنی بر تبدیل کسینوسی گسسته را معرفی کرده ایم که عملکردی شبیه به سیستم بینایی بشر دارد. این امر سبب می شود ویدئو نهایی بازسازی شده حاصل از شبکه ی عصبی کانولوشنی، از نظر کیفیت ساختاری و ادراکی برای سیستم بینایی بشر مطلوبتر و درک انسان از آن ویدئو بیشتر گردد.
امروزه با توجه به کاربردهای بسیار زیاد فایل های تصویری و ویدئویی در حوزه های مختلف پژوهشی و علمی، وجود فایل های با کیفیت بصری و تفکیک پذیری بالا از جایگاه ویژهای در انتقال اطلاعات برخوردار می باشند. هدف از فرآیند افزایش تفکیک پذیری ویدئو، بازسازی ویدئو با تفکیک پذیری و کیفیت ادراکی بالا از نسخه ی با کیفیت و تفکیک پذیری پایین آن است. از جمله چالش هایی که در این حوزه وجود دارد زمان انجام این فرآیند، پیچیدگی زمانی این روش ها و کیفیت ادراکی خروجی می باشد. از لازمه های دستیابی به ویدئو با کیفیتِ مطلوب؛ بررسی و تحلیل اطلاعات حرکتی بین فریم های ویدئو اولیه است. ۱ علاوه بر اهمیت استفاده از این اطلاعات حرکتی، تابع خطا استفاده شده در آموزش شبکه ی عصبی، اهمیت و نقش تأثیرگذاری در کیفیت ویدئو بازسازی شده ی خروجی را دارد. از این جهت، در این پایان نامه، به منظور دستیابی به ویدئو با کیفیت ادراکی مطلوب و تفکیک پذیری بالا، از یک روش مبتنی بر یادگیری ژرف استفاده شده است که از اطلاعات حرکتی میان فریم های ویدئو در فرآیند آموزش شبکه بهره برده است. برای نشان دادن اهمیت بکارگیری این حرکات، نتایج آن را با شبکه ی دیگری برای افزایش تفکیک پذیری تصویر مقایسه شده است. همچنین تابع خطای جدید مبتنی بر تبدیل کسینوسی گسسته را معرفی کرده ایم که عملکردی شبیه به سیستم بینایی بشر دارد. این امر سبب می شود ویدئو نهایی بازسازی شده حاصل از شبکه ی عصبی کانولوشنی، از نظر کیفیت ساختاری و ادراکی برای سیستم بینایی بشر مطلوبتر و درک انسان از آن ویدئو بیشتر گردد.
دانشجو: خانم مرضیه حسین خانی
زمان: دوشنبه ۲۹ شهریور ماه ۱۴۰۰ ساعت ۱۷:۰۰
مطالب مشابه
دفعات مشاهده: 572 بار |
دفعات چاپ: 143 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر